自動化された実験トラッキングを使うことで、ML パイプラインの開発時に直面する膨大な選択肢の複雑さを抑えられることを学びました。典型的な ML パイプラインの各段階で、選べるオプション、パラメーター、メトリクスにはさまざまなものがあることも学びました。
この演習では、一連の項目を自動実験トラッキングシステムでログ・追跡すべきかどうか判断します。
この演習はコースの一部です
理論を実践に変える、インタラクティブな演習のひとつをお試しください
第1章では、産業分野でのMLOps活用を動機づけます。ビジネスで価値創出を支えるうえでの重要性を学びます。あわせてMLの各ステージをおさらいし、MLOpsがそれらをどう強化するかに焦点を当てます。章の最後では、完全自動化されたMLOpsシステムのリファレンスアーキテクチャを確認します。続いて、このアーキテクチャを手がかりに、あらゆるMLOpsシステムで重要なコンポーネントを探り、本コース全体の出発点として位置づけます。
この章では、完全自動化されたMLOpsシステムを構成する重要コンポーネントの学習を続けます。まず、MLOpsにおけるオーケストレーションの重要性と、それがMLパイプラインの効率とスケーラビリティをどのように確保するかを見ていきます。次に、MLOpsのさまざまなデプロイ戦略を比較し、システムに最適な戦略の選び方を学びます。最後に、CI/CD/CT/CMについて学び、オーケストレーションやベストプラクティスをどう補完して、MLOpsシステムの完全自動化を実現するかを理解します。これらを身につけることで、効率的・高精度・高信頼な完全自動化MLOpsシステムを構築できる力が養われます。
現在の演習
この章では、自動化の世界に踏み込み、より堅牢で効率的なMLシステムを設計する方法を学びます。まず、MLOpsシステムにおける自動化の基本を理解し、続いてデザインパターンとフェイルセーフ機構の活用法を探ります。さらに、MLOpsシステムでの自動テストの実装方法や、ハイパーパラメータチューニングを用いてモデルとワークフローを最適化する方法も学びます。章の終わりには、効率性と信頼性を両立した完全自動化MLOpsシステムを構築・運用するための知識とスキルが身につきます。
最終章では、自動化されたMLOpsアーキテクチャの重要コンポーネントを深く掘り下げます。自動化された実験トラッキングやモデルレジストリの理解から、Feature Storeの活用、Metadata Storeの役割まで、完全自動化MLOpsシステムの要点を体系的に身につけます。経験豊富なML実務者の方も、これから学ぶ方も、自動化されたMLOpsワークフローを設計するための知識とスキルを得られる内容です。
